KLASTERISASI WILAYAH DKI JAKARTA BERDASARKAN DATA KEJADIAN BENCANA PEMPROV DKI JAKARTA MENGGUNAKAN K-MEANS

Penulis

  • Widyo Nugroho Universitas Budi Luhur
  • Yuliazmi Yuliazmi Universitas Budi Luhur

Kata Kunci:

Data Mining, K-Means, Bencana, Algoritma Clustering

Abstrak

Bencana adalah peristiwa atau rangkaian peristiwa yang dapat menimbulkan penderitaan manusia, kerusakan harta benda, kerusakan lingkungan, sarana dan prasarana, serta mempengaruhi kehidupan orang lain, kehidupan manusia dan penghidupan. Negara Kesatuan Republik Indonesia merupakan negara kesatuan dengan wilayah yang luas dan terletak di garis khatulistiwa dimana dua benua dan dua samudra bertemu, kondisi alam memiliki banyak keunggulan. Namun disisi lain, letaknya di wilayah geografis, geologis, hidrologis, dan demografis rawan bencana dan memerlukan pengelolaan yang sistematis, global, dan terkoordinasi dengan frekuensi tinggi. Pengelompokan Bencana pada suatu wilayah akan mempermudah pemerintah dalam pertimbangan di wilayah mana saja yang memerlukan atensi khusus dalam penanggulangan bencana alam di indonesia. Dengan adanya pengelompokan tersebut akan dapat dilihat wilayah mana saja yang berdampak pada bencana alam. Data yang diperoleh dengan kurun waktu januari 2021-juli 2021. Pada penelitian kali ini teknik dari data mining untuk klasterisasi wilayah di DKI Jakarta yaitu dengan menggunakan algoritma K-Means dan menggunakan metode CRISP-DM. Data dari penelitian ini didapat dan bersumber dari website data.jakarta.go.id. Dataset hanya data di provinsi DKI Jakarta. Yang terdiri dari tanggal, waktu kejadian, lokasi bencana, jenis bencana, jumlah korban bencana, persentase korban bencana yang mendapat bantuan sosial dan jenis bantuan yang diberikan. Berdasarkan hasil dari penelitian ini menunjukan bahwa algoritma K-Means dapat menentukan 4 (empat) cluster yang optimal yaitu cluster satu dengan jumlah 31 items, cluster dua dengan jumlah 1 items, cluster tiga dengan jumlah 40 items dan cluster empat dengan jumlah 64 items. Dengan nilai Davies Bouldin (DB) algoritma K-Means sebesar 0,323 dibanding nilai DB algoritma X-Means sebesar 0,326. Hasil yang diperoleh dapat menjadi masukan bagi pemerintah di Provinsi DKI Jakarta dalam menganalisis jumlah kejadian bencana berdasarkan wilayah yang terdampak bencana.

Referensi

F. Umeidini, E. Nuriah, and M. Fedryansyah, “Di Desa Mekargalih Kecamatan Jatinangor,” vol. 2, pp. 13–22, 2019.

A. Chandra, P. S. Geografi, F. Geografi, and U. M. Surakarta, “Analisis Kesiapsiagaan-Masyarakat-terhadap-Bencana Tanah- Longsor di Kecamatan-Tawangmangu-Kabupaten Karanganyar,” 2023.

D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.

H. Priyatman, F. Sajid, and D. Haldivany, “Klasterisasi Menggunakan Algoritma K-Means Clustering untuk Memprediksi Waktu Kelulusan Mahasiswa,” J. Edukasi dan Penelit. Inform., vol. 5, no. 1, p. 62, 2019, doi: 10.26418/jp.v5i1.29611.

Isni Rinjani, Saeful Anwar, and Ruli Herdiana, “PENGELOMPOKAN DAERAH BENCANA ALAM MENGGUNAKAN ALGORITMA K-MEANS CLUSTERING,” J. Ilm. Sist. Inf. dan Ilmu Komput., vol. 3, no. 1 SE-Articles, pp. 35–51, Mar. 2023, doi: 10.55606/juisik.v3i1.417.

M. Murdiaty, A. Angela, and C. Sylvia, “Pengelompokkan Data Bencana Alam Berdasarkan Wilayah, Waktu, Jumlah Korban dan Kerusakan Fasilitas Dengan Algoritma K-Means,” J. Media Inform. Budidarma, vol. 4, no. 3, p. 744, 2020, doi: 10.30865/mib.v4i3.2213.

Y. Pratama, E. Rasywir, B. Tio Carenina, and D. Riski Anggraini, “Penerapan Algoritma K-Means clustering Untuk Mengelompokkan Provinsi Berdasarkan Banyaknya Desa/Kelurahan Dengan Upaya Antisipasi/Mitigasi Bencana Alam,” Technol. Sci., vol. 4, no. 3, pp. 1232–1240, 2022, doi: 10.47065/bits.v4i3.2549.

F. N. Dhewayani, D. Amelia, D. N. Alifah, B. N. Sari, and M. Jajuli, “Implementasi K-Means Clustering untuk Pengelompokkan Daerah Rawan Bencana Kebakaran Menggunakan Model CRISP-DM,” J. Teknol. dan Inf., vol. 12, no. 1, pp. 64–77, 2022, doi: 10.34010/jati.v12i1.6674.

A. A. Hussein, “Improve The Performance of K-means by using Genetic Algorithm for Classification Heart Attack,” Int. J. Electr. Comput. Eng., vol. 8, no. 2, p. 1256, 2018, doi: 10.11591/ijece.v8i2.pp1256-1261.

R. K. Dinata, H. Novriando, N. Hasdyna, and S. Retno, “Reduksi Atribut Menggunakan Information Gain,” vol. 6, no. 1, pp. 48–53, 2020.

Unduhan

Diterbitkan

12-10-2023

Cara Mengutip

Nugroho, W., & Yuliazmi, Y. (2023). KLASTERISASI WILAYAH DKI JAKARTA BERDASARKAN DATA KEJADIAN BENCANA PEMPROV DKI JAKARTA MENGGUNAKAN K-MEANS. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 2(2), 1077–1085. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/1025

Artikel paling banyak dibaca berdasarkan penulis yang sama